CN108615034A - 一种模板匹配与神经网络算法结合的车牌识别方法 - Google Patents
一种模板匹配与神经网络算法结合的车牌识别方法 Download PDFInfo
- Publication number
- CN108615034A CN108615034A CN201711335511.9A CN201711335511A CN108615034A CN 108615034 A CN108615034 A CN 108615034A CN 201711335511 A CN201711335511 A CN 201711335511A CN 108615034 A CN108615034 A CN 108615034A
- Authority
- CN
- China
- Prior art keywords
- image
- character
- neural network
- license plate
- characters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 34
- 230000011218 segmentation Effects 0.000 claims abstract description 18
- 238000003708 edge detection Methods 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 4
- 238000011430 maximum method Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 241000736199 Paeonia Species 0.000 description 1
- 235000006484 Paeonia officinalis Nutrition 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000009131 signaling function Effects 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
- G06V10/23—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on positionally close patterns or neighbourhood relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种模板匹配与神经网络算法结合的车牌识别方法，所述方法包括：对摄像头采集到的原始车牌图像做灰度化、二值化、直方图均衡化等处理；对灰度图像进行图像滤波、边缘检测等处理；对处理过后的图像，采用数学形态学方法和行扫描方法粗定位车牌，使用Hough变换方法精确定位车牌位置；采用竖直投影法和检测行像素值和最大法对车牌字符进行精确分割；将模板匹配方法与神经网络算法结合对分割后的车牌字符自动识别。本发明方法采用模板匹配与神经网络算法相结合的方式对车牌字符自动识别，可以较好的解决对汉字、字母与数字组合的国内车牌字符识别不高的问题，能够快速、准确的自动识别车牌字符。
Description
技术领域
本发明涉及模式识别领域，尤其是一种将国内车牌字符分割成两部分进行分别识别的方法。
背景技术
车牌识别(LPR)是智能交通系统(ITS)中的重要研究方面，在过去几十年中在许多应用中变得越来越有用。世界各地的所有车辆都应该有许可证号码作为其主要标识符。
随着计算机视觉技术的飞速发展，越来越多的以视觉为基础的车牌识别方法被应用于ITS，如电子支付系统，交通活动监控和自动车辆票务。智能车牌自动识别技术简单快捷，还可以搭配其他一些电子设备，对智能交通管理起到了很大的帮助作用，在一些西方国家已经广泛应用此技术于智能交通管理系统中。
然而对于我国车牌而言，车牌首字符即各省份简称字符识别较困难，使得国内车牌的识别难度加大。
发明内容
本发明目的在于提供一种解决对汉字、字母与数字组合的国内车牌字符识别不高的模板匹配与神经网络算法结合的车牌识别方法。
为实现上述目的，采用了以下技术方案：本发明所述方法包括以下步骤：
步骤1，对摄像头采集到的原始车牌图像做灰度化、二值化、直方图均衡化处理；
步骤2，对灰度图像进行图像滤波、边缘检测处理；
步骤3，对处理过后的图像，采用数学形态学方法和行扫描方法粗定位车牌，使用Hough变换方法精确定位车牌位置；
步骤4，采用竖直投影法、检测行像素值和最大法对车牌字符进行精确分割；
步骤5，将模板匹配方法与神经网络算法结合对分割后的车牌字符自动识别。
进一步的，步骤1的具体内容如下：
步骤1-1，图像灰度化：彩色图像中的每个像素的颜色由R、G、B三个分量决定，每个分量有256个值可取，而灰度图像是R、G、B三个分量相同的一种特殊的彩色图像，每一个像素点的变化范围为255种，灰度化的具体方法是求出每个像素点的R、G、B三个分量的平均值，然后将这个平均值赋予给这个像素的三个分量，即：
Gray＝R＝G＝B
Gray表示图像的灰度值；
步骤1-2，图像二值化处理：二值化处理是指将图像转化为只包含黑与白两个像素级别的图像，二值化的效果会直接影响到车牌区域的定位以及其后续处理，对图像做二值化处理会使图像丧失许多信息，因此为了尽可能多的保留我们所需要的有用信息，阈值的选取非常关键，即将图像中像素值大于阈值的点取为白色，将图像中像素值小于阈值的点取为黑色，公式如下：
其中，g(x,y)表示某点出的灰度值，m表示给定的阈值；
步骤1-3，直方图均衡化：实际取图像的过程中，真实图像往往会受到环境中噪声、光线等的干扰，使图像的质量大大下降，有可能造成图像边缘模糊、缺少一些重要信息等情况，因此需要对图像做增强处理，采用直方图均衡化处理，是增强空间域常用的方法之一。直方图均衡化的主要过程包括：先得到图像的直方图，然后使用matlab平台中的imhist函数对直方图进行均衡化处理。
进一步的，所述步骤2的具体方法为：对灰度图像做中值滤波处理，去除图像中存在的噪声；采用阈值为0.08的Canny边缘检测器对滤波后的图像做边缘检测处理。
进一步的，所述步骤3中车牌定位的具体方法为：运用数学形态学的腐蚀及闭运算对边缘检测后的车牌图像进行处理，可以得到若干个车牌候选区，接着再运用行扫描法去除伪车牌区域，得到车牌位置的合理区域，粗定位车牌；再对处理后的图像进行Hough变换，得到明显的矩形边框，找到车牌的上下左右边界，实现车牌的精确定位。
进一步的，所述步骤4中字符分割的具体方法为：采用列扫描方法对车牌处理，通过MATLAB平台设计算法显示每列像素和所表示的波形，设定阈值可以确定每个字符的纵向范围以及左右边界；采用行扫描法得到每行像素和最大值所在的行值，再分别向上和向下扫描直到出现行像素和为0的位置即为车牌区域的上下边界。
进一步的，步骤5中的车牌字符自动识别的具体方法为：将分割完成的字符图像分为两部分：第一部分为第一个字符图像即汉字字符图像，第二部分为剩余6个数字与字母组合的字符图像；采用模板匹配的方法对第一部分字符图像进行识别，将待识别字符尺寸大小缩放为字符数据库中模板的大小，然后与全部的34个省份简称的汉字字符模板集进行匹配，将匹配相似度最高的模板所表示的汉字作为对此字符的识别结果；采用BP神经网络算法对第二部分字符图像进行识别；采用BP神经网络算法对包含26个字母和10个数字的数据库进行训练，其中数据库中每个字符都包括10000个左右的样本；针对这36个字符，每个字符集中选取1000张字符共36000张图片作为BP神经网络的训练集，由此设置神经网络的输入层为36000个神经元即每张字符图片都作为一组输入数据；由于是要识别36个字符，因此输出必须设置为36个神经元，36000张输入图片都须匹配36个字符中的一个；由此产生36000*1000的形式，其中1000表示对每张训练集图片字符提取1000个特征值作为每个神经元的数据输入，将此作为神经网络的训练集进行训练；将分割好的字符作为神经网络的测试集，实现车牌字符识别；最后将这两部分组合即是对车牌完整字符的识别。
与现有技术相比，本发明具有如下优点：
1、将车牌区域从整个原始图像中分割出来，避免直接对原始图像进行字符分割与字符识别，减少车牌识别的时间成本；
2、字符分割是将单个的字符分离出来，直接对单个的字符进行识别；
3、采用的是模板匹配与BP神经网络相结合的方法对车牌字符进行识别，识别率较高。
附图说明
图1为本发明方法的总体流程图。
图2为本发明边缘检测的效果图。
图3为本发明车牌定位的效果图。
图4为本发明车牌字符的效果图。
图5为BP神经网络的结构图。
图6为车牌字符识别的效果图。
具体实施方式
下面结合附图对本发明做进一步说明：
模板匹配是图象识别方法中最具代表性的基本方法之一，它是从待识别的图像或图像区域I(i,j)中提取的若干特征向量与模板I(i,j)对应的特征向量逐个进行匹配，将相似程度最高的模板对应的字符作为其识别结果。针对国内汽车牌照第一个字符为汉字字符，汉字字符数据库所含的数量比较少，直接使用神经网络进行识别的最终识别正确率不高，因此采用模板匹配的方法对汉字字符进行识别。BP学习过程分为正向和反向传播，前向通信是从输入层到隐藏层到过程输出层的信息。称为反向学习算法的原因是，当修改人造神经的连接权重值时，它依赖于网络的实际输出与预期输出之间的差异。差异从前层传播到后层，这决定了连接权重值的修改。BP神经网络使用传递函数，这通常是S形非线性微分函数。所以输入和输出之间的任意非线性映射很容易实现，运用BP神经网络算法达到预期字符识别率的关键是要对神经网络的一些参数进行合适的设置，训练之后对数字与字母的识别效果比较好。
如图1所示，本发明所述方法包括以下步骤：
步骤1，对摄像头采集到的原始车牌图像做灰度化、二值化、直方图均衡化处理；
步骤1-1，图像灰度化：彩色图像中的每个像素的颜色由R、G、B三个分量决定，每个分量有256个值可取，而灰度图像是R、G、B三个分量相同的一种特殊的彩色图像，每一个像素点的变化范围为255种，灰度化的具体方法是求出每个像素点的R、G、B三个分量的平均值，然后将这个平均值赋予给这个像素的三个分量，即：
Gray＝R＝G＝B
Gray表示图像的灰度值；
步骤1-2，图像二值化处理：二值化处理是指将图像转化为只包含黑与白两个像素级别的图像，将图像中像素值大于阈值的点取为白色，将图像中像素值小于阈值的点取为黑色，公式如下：
其中，g(x,y)表示某点出的灰度值，m表示给定的阈值；
步骤1-3，直方图均衡化：直方图均衡化的主要过程包括：先得到图像的直方图，然后使用matlab平台中的imhist函数对直方图进行均衡化处理。
步骤2，对灰度图像进行图像滤波、边缘检测处理；
具体方法包括中值滤波、Canny算子边缘检测等处理：
步骤2-1，中值滤波：中值滤波是一种非线性滤波技术，它在去除噪声的同时，可以比较好的保留边缘轮廓信息和图像细节，这刚好与车牌区域图像含有较强轮廓特征相似。中值滤波的原理是以图像中某一点为中心，设置一个自定义大小的掩膜，然后计算掩膜覆盖区域内所有点像素值的中值，以该中值作为该点的像素值，依照此方法对图像中每一点做处理，即可得到中值滤波处理后的图像，原理的公式表达为：
gray＝mid{Zk|k＝1，2，3...l}
其中，gray为掩膜内所有像素的中值，Zk为第k个像素的灰度值。
步骤2-2，边缘检测：Canny算子检测边缘的实质是求信号函数的极大值问题来判定图像边缘像素点。详细处理过程为：使用高斯滤波器平滑图像，高斯函数如下：
其中，n表示高斯滤波器窗口的大小。
用一阶偏导有限差分来计算梯度的幅值和方向，图像在x和y方向上偏导数的两个矩阵为：
P[i，j]＝(g[i+1，j]-g[i，j]+g[i+1，j+1]-g[i，j+1])/2
Q[i，j]＝(g[i，j]-g[i，j+1]+g[i+1，j]-g[i+1，j+1])/2
θ[i，j]＝arctan(Q[i,j]/P[i,j])
其中，g为图像灰度值，P代表X方向梯度幅值，Q代表Y方向梯度幅值，M代表该点的幅值，θ代表梯度方向，即角度。
沿幅角方向检测模值的极大值点，即边缘点，遍历8个方向图像像素，把每个像素偏导值与相邻像素的模值比较，取其最大值为边缘点，置像素灰度值为0。再采用双阈值算法检测和连接边缘，即可得到边缘检测后的图像如图2。
步骤3，对处理过后的图像，采用数学形态学方法和行扫描方法粗定位车牌，使用Hough变换方法精确定位车牌位置。运用数学形态学的腐蚀及闭运算对二值图像进行处理，可以得到若干个车牌候选区，接着再运用行扫描法去除伪车牌区域，得到车牌位置的合理区域，粗定位车牌。
采用了Hough变换方法精确定位车牌。得到明显的矩形边框，找到车牌的上下左右边界，实现车牌的精确定位。
经边缘检测初步处理后，去除了部分与目标对象无关的信息，成功地保留并提取了汽车图像有效的边缘。但仍然存在一些区域如车牌上方的车灯、车标、进气栏以及车牌下方的车前横杆等产生的横向边缘的干扰。当然，这其中所产生的一些顽固杂乱的噪声也必将影响后续车牌的定位。经过边缘检测处理后的车牌图像，还可能受到外界其他干扰因素的影响，针对这些图像，有必要进行进一步的排干扰处理。去除大部分无关且会影响到定位车牌的干扰，快速锁定可能存在车牌的几个区域，对后续定位是极有利的。根据车牌的一些特征信息，同时在考虑能完好地保存车牌区域而去除其他一些小的干扰，这里采用形态学的腐蚀与闭运算处理，基本上得到了期望结果。此外，还可以利用bwareaopen函数再进行后处理，删除一些非车牌区域的小对象。经上述处理后，不必要的干扰都已得到很好的去除，只剩下了几个干净且明显的车牌候选区。
采用行扫描对车牌区域进行定位，主要是利用了车牌的连续特性。二值汽车图像车牌区域水平方向灰度跳变频繁。且跳变间距也控制在一定的范围内。因此，它的跳变次数是一定的，也必将在某个小范围内波动。可通过设定灰度跳变阈值T，与二值汽车图像某一行的灰度跳变次数进行比较。如果后者大于前者,那么把该行标记为可疑线段。若有分布较为密集的可疑线段聚集在该行上下附近，且积聚有一定高度，那么这个区域就可以被标记为车牌候选区。结合先验知识，对二值汽车图像f(x,y)在垂直方向上从下至上进行逐行扫描。并且，在水平方向上从左至右扫描每一行的每个像素点。记相邻两个像素黑白之间变化为一次灰度跳变。统计累加跳变次数，则第k行的跳变次数可以表示为：
式中，width表示图像的宽度；height表示图像的高度；s(k)表示第k行的灰度跳变次数。车牌精确定位就是在粗定位的合理车牌区域中定位车牌的上下左右边界，实施例车牌定位结果如图3所示。
步骤4，采用竖直投影法、检测行像素值和最大法对车牌字符进行精确分割；对于二值化后的图像，由于每个字符块在垂直方向的投影必然在字符间或字符内的间隙处取得局部最小值m，因此字符的分割点应该在之间，并且这些分割点应满足车牌字符格式、尺寸以及其他限制条件。垂直投影法的原理是：对车牌图像在水平方向上从左至右检测各图像坐标的投影值，检测到第一个投影值不为零的坐标可视为首字母的左边界，从该坐标向右检测到第一个投影值为零的坐标则认为是首字母的右边界，其余字符的左右边界可同理得到。另外，通过计算字符的平均字宽和两字符左边界之间的平均距离可排除错误分割；而对于字宽小于平均字宽一定比例的字符则视为无效字符；前后两字符距离小于平均距离且此距离与字宽之和不大于平均距离则可以合并为一个字符。类似的使用行扫描法可以确定字符的上下界，对实施例的分割结果如图4。
步骤5，将模板匹配方法与神经网络算法结合对分割后的车牌字符自动识别。具体方法为：将分割完成的字符图像分为两部分：第一部分为第一个字符图像即汉字字符图像，第二部分为剩余6个数字与字母组合的字符图像。采用模板匹配的方法对第一部分字符图像进行识别，将待识别字符尺寸大小缩放为字符数据库中模板的大小，然后与全部的34个省份简称的汉字字符模板集进行匹配，将匹配相似度最高的模板所表示的汉字作为对此字符的识别结果。计算匹配系数采用如下公式：
其中，R(x，y)为匹配系数，阈值的取值为[0,1]。本文经过多次实验得出：当R(x，y)阈值设为0.88时，匹配效果最好。当R(x，y)大于0.88时，则视为模板匹配法无法识别该字符。
BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层(input)、隐层(hide-layer)和输出层(output-layer)，结构如图5。
采用BP神经网络算法对第二部分字符图像进行识别。采用BP神经网络算法对包含26个字母和10个数字的数据库进行训练，其中数据库中每个字符都包括10000个左右的样本。针对这36个字符，每个字符集中选取1000张字符共36000张图片作为BP神经网络的训练集，由此设置神经网络的输入层为36000个神经元即每张字符图片都作为一组输入数据。由于是要识别36个字符，因此输出必须设置为36个神经元，这样36000张输入图片都必须匹配36个字符中的一个。由此输入层设置为36000*1000的形式，其中1000表示对每张训练集图片字符提取1000个特征值作为每个神经元的数据输入，将此作为神经网络的训练集进行训练。隐层神经元数的设置一般通过以下3个公式：
l＜n-1
l＝log2n
其中，n为输入节点数，l为隐层神经元数，m为输出神经元数。
神经网络传递函数根据经验设置为logsig,参数设置为trainscg,迭代次数设置为5000次，目标误差设为0.0001，依此创建神经网络进行训练。将分割好的字符作为神经网络的测试集，实现车牌字符识别。对实施例的识别结果如图6所示。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (6)
1.一种模板匹配与神经网络算法结合的车牌识别方法，其特征在于，所述方法包括以下步骤：
步骤1，对摄像头采集到的原始车牌图像做灰度化、二值化、直方图均衡化处理；
步骤2，对灰度图像进行图像滤波、边缘检测处理；
步骤3，对处理过后的图像，采用数学形态学方法和行扫描方法粗定位车牌，使用Hough变换方法精确定位车牌位置；
步骤4，采用竖直投影法、检测行像素值和最大法对车牌字符进行精确分割；
步骤5，将模板匹配方法与神经网络算法结合对分割后的车牌字符自动识别。
2.根据权利要求1所述的一种模板匹配与神经网络算法结合的车牌识别方法，其特征在于，步骤1的具体内容如下：
步骤1-1，图像灰度化：彩色图像中的每个像素的颜色由R、G、B三个分量决定，每个分量有256个值可取，而灰度图像是R、G、B三个分量相同的一种特殊的彩色图像，每一个像素点的变化范围为255种，灰度化的具体方法是求出每个像素点的R、G、B三个分量的平均值，然后将这个平均值赋予给这个像素的三个分量，即：
Gray＝R＝G＝B
Gray表示图像的灰度值；
步骤1-2，图像二值化处理：二值化处理是指将图像转化为只包含黑与白两个像素级别的图像，将图像中像素值大于阈值的点取为白色，将图像中像素值小于阈值的点取为黑色，公式如下：
其中，g(x,y)表示某点出的灰度值，m表示给定的阈值；
步骤1-3，直方图均衡化：直方图均衡化的主要过程包括：先得到图像的直方图，然后使用matlab平台中的imhist函数对直方图进行均衡化处理。
3.根据权利要求1所述的一种模板匹配与神经网络算法结合的车牌识别方法，其特征在于，所述步骤2的具体方法为：对灰度图像做中值滤波处理，去除图像中存在的噪声；采用阈值为0.08的Canny边缘检测器对滤波后的图像做边缘检测处理。
4.根据权利要求1所述的一种模板匹配与神经网络算法结合的车牌识别方法，其特征在于，所述步骤3中车牌定位的具体方法为：运用数学形态学的腐蚀及闭运算对边缘检测后的车牌图像进行处理，可以得到若干个车牌候选区，接着再运用行扫描法去除伪车牌区域，得到车牌位置的合理区域，粗定位车牌；再对处理后的图像进行Hough变换，得到明显的矩形边框，找到车牌的上下左右边界，实现车牌的精确定位。
5.根据权利要求1所述的一种模板匹配与神经网络算法结合的车牌识别方法，其特征在于，所述步骤4中字符分割的具体方法为：采用列扫描方法对车牌处理，通过MATLAB平台设计算法显示每列像素和所表示的波形，设定阈值可以确定每个字符的纵向范围以及左右边界；采用行扫描法得到每行像素和最大值所在的行值，再分别向上和向下扫描直到出现行像素和为0的位置即为车牌区域的上下边界。
6.根据权利要求1所述的一种模板匹配与神经网络算法结合的车牌识别方法，其特征在于，步骤5中的车牌字符自动识别的具体方法为：将分割完成的字符图像分为两部分：第一部分为第一个字符图像即汉字字符图像，第二部分为剩余6个数字与字母组合的字符图像；采用模板匹配的方法对第一部分字符图像进行识别，将待识别字符尺寸大小缩放为字符数据库中模板的大小，然后与全部的34个省份简称的汉字字符模板集进行匹配，将匹配相似度最高的模板所表示的汉字作为对此字符的识别结果；采用BP神经网络算法对第二部分字符图像进行识别；采用BP神经网络算法对包含26个字母和10个数字的数据库进行训练，其中数据库中每个字符都包括10000个左右的样本；针对这36个字符，每个字符集中选取1000张字符共36000张图片作为BP神经网络的训练集，由此设置神经网络的输入层为36000个神经元即每张字符图片都作为一组输入数据；输出必须设置为36个神经元，36000张输入图片都须匹配36个字符中的一个；由此产生36000*1000的形式，其中1000表示对每张训练集图片字符提取1000个特征值作为每个神经元的数据输入，将此作为神经网络的训练集进行训练；将分割好的字符作为神经网络的测试集，实现车牌字符识别；最后将这两部分组合即是对车牌完整字符的识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711335511.9A CN108615034A (zh) | 2017-12-14 | 2017-12-14 | 一种模板匹配与神经网络算法结合的车牌识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711335511.9A CN108615034A (zh) | 2017-12-14 | 2017-12-14 | 一种模板匹配与神经网络算法结合的车牌识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108615034A true CN108615034A (zh) | 2018-10-02 |
Family
ID=63658737
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711335511.9A Pending CN108615034A (zh) | 2017-12-14 | 2017-12-14 | 一种模板匹配与神经网络算法结合的车牌识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108615034A (zh) |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109447036A (zh) * | 2018-11-16 | 2019-03-08 | 齐鲁工业大学 | 一种图像数字分割与识别方法及系统 |
| CN109598271A (zh) * | 2018-12-10 | 2019-04-09 | 北京奇艺世纪科技有限公司 | 一种字符分割方法及装置 |
| CN109800762A (zh) * | 2019-01-28 | 2019-05-24 | 安阳工学院 | 一种基于动态匹配因子的模糊车牌识别算法 |
| CN109886265A (zh) * | 2019-01-11 | 2019-06-14 | 南京邮电大学 | 一种基于Adaboost和模板匹配的车门限位器检测方法 |
| CN110659649A (zh) * | 2019-09-29 | 2020-01-07 | 哈尔滨工业大学 | 一种基于近红外光成像的图像处理与字符识别算法 |
| CN111079735A (zh) * | 2018-10-22 | 2020-04-28 | 莱芜钢铁集团电子有限公司 | 一种铸坯端面字符识别方法及装置 |
| CN111274961A (zh) * | 2020-01-20 | 2020-06-12 | 华南理工大学 | 一种柔性ic基板字符识别和信息解析方法 |
| CN111429376A (zh) * | 2020-03-30 | 2020-07-17 | 北京芯龙德大数据科技有限公司 | 高低精度融合的高效数字图像处理方法 |
| CN111539436A (zh) * | 2020-04-20 | 2020-08-14 | 上海工程技术大学 | 一种基于一字模板匹配的轨道扣件定位方法 |
| CN111639640A (zh) * | 2020-04-24 | 2020-09-08 | 深圳市金溢科技股份有限公司 | 基于人工智能的车牌识别方法、装置及设备 |
| CN111695576A (zh) * | 2020-06-09 | 2020-09-22 | 国网河北省电力有限公司营销服务中心 | 一种基于神经网络的电能表外观快速识别方法 |
| CN112070081A (zh) * | 2020-08-20 | 2020-12-11 | 广州杰赛科技股份有限公司 | 一种基于高清视频的智能化车牌识别方法 |
| CN112163581A (zh) * | 2020-09-09 | 2021-01-01 | 华南理工大学 | 一种车牌字母识别方法、系统、装置及存储介质 |
| CN112215842A (zh) * | 2020-11-04 | 2021-01-12 | 上海市瑞金康复医院 | 基于良性甲状腺模板的恶性结节边缘检测图像处理方法 |
| CN112712707A (zh) * | 2020-12-26 | 2021-04-27 | 清华四川能源互联网研究院 | 车辆碳排放监测系统及方法 |
| CN112926591A (zh) * | 2021-03-24 | 2021-06-08 | 安徽超视野智能科技有限公司 | 一种用于公路治超的违法汽车特征识别方法 |
| CN112949381A (zh) * | 2021-01-20 | 2021-06-11 | 涂益浪 | 一种图像内容识别方法及系统 |
| CN113792616A (zh) * | 2021-08-26 | 2021-12-14 | 南方电网深圳数字电网研究院有限公司 | 一种基于边缘计算的远程读表系统及其工作方法 |
| CN114004797A (zh) * | 2021-10-27 | 2022-02-01 | 上海电机学院 | 一种基于多特征图共享的风机叶片表面缺陷检测方法 |
| CN114998922A (zh) * | 2022-07-29 | 2022-09-02 | 成都薯片科技有限公司 | 一种基于格式模板的电子合同生成方法 |
| CN117710985A (zh) * | 2023-12-18 | 2024-03-15 | 珠海凌烟阁芯片科技有限公司 | 光学字符识别方法、装置及智能终端 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101408933A (zh) * | 2008-05-21 | 2009-04-15 | 浙江师范大学 | 基于粗网格特征提取和bp神经网络的车牌字符识别方法 |
| CN101811481A (zh) * | 2010-04-28 | 2010-08-25 | 燕山大学 | 一种含光学隐码的防伪车牌及其制作与识别方法 |
| CN102708356A (zh) * | 2012-03-09 | 2012-10-03 | 沈阳工业大学 | 一种基于复杂背景下的车牌自动定位和识别方法 |
| CN104392205A (zh) * | 2014-10-24 | 2015-03-04 | 浙江力石科技股份有限公司 | 一种非正常车牌的识别方法和系统 |
| US9158995B2 (en) * | 2013-03-14 | 2015-10-13 | Xerox Corporation | Data driven localization using task-dependent representations |
| CN106845478A (zh) * | 2016-12-30 | 2017-06-13 | 同观科技（深圳）有限公司 | 一种字符置信度的二次车牌识别方法及装置 |
-
2017
- 2017-12-14 CN CN201711335511.9A patent/CN108615034A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101408933A (zh) * | 2008-05-21 | 2009-04-15 | 浙江师范大学 | 基于粗网格特征提取和bp神经网络的车牌字符识别方法 |
| CN101811481A (zh) * | 2010-04-28 | 2010-08-25 | 燕山大学 | 一种含光学隐码的防伪车牌及其制作与识别方法 |
| CN102708356A (zh) * | 2012-03-09 | 2012-10-03 | 沈阳工业大学 | 一种基于复杂背景下的车牌自动定位和识别方法 |
| US9158995B2 (en) * | 2013-03-14 | 2015-10-13 | Xerox Corporation | Data driven localization using task-dependent representations |
| CN104392205A (zh) * | 2014-10-24 | 2015-03-04 | 浙江力石科技股份有限公司 | 一种非正常车牌的识别方法和系统 |
| CN106845478A (zh) * | 2016-12-30 | 2017-06-13 | 同观科技（深圳）有限公司 | 一种字符置信度的二次车牌识别方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| 俞胜锋: "车牌检测与识别技术的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 宋建才: "汽车牌照识别技术研究", 《工业控制计算机》 * |
| 陈佳等: "基于数学形态学的车牌定位方法", 《科技与创新》 * |
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111079735A (zh) * | 2018-10-22 | 2020-04-28 | 莱芜钢铁集团电子有限公司 | 一种铸坯端面字符识别方法及装置 |
| CN111079735B (zh) * | 2018-10-22 | 2023-12-22 | 莱芜钢铁集团电子有限公司 | 一种铸坯端面字符识别方法及装置 |
| CN109447036A (zh) * | 2018-11-16 | 2019-03-08 | 齐鲁工业大学 | 一种图像数字分割与识别方法及系统 |
| CN109598271A (zh) * | 2018-12-10 | 2019-04-09 | 北京奇艺世纪科技有限公司 | 一种字符分割方法及装置 |
| CN109886265B (zh) * | 2019-01-11 | 2022-08-16 | 南京邮电大学 | 一种基于Adaboost和模板匹配的车门限位器检测方法 |
| CN109886265A (zh) * | 2019-01-11 | 2019-06-14 | 南京邮电大学 | 一种基于Adaboost和模板匹配的车门限位器检测方法 |
| CN109800762A (zh) * | 2019-01-28 | 2019-05-24 | 安阳工学院 | 一种基于动态匹配因子的模糊车牌识别算法 |
| CN110659649A (zh) * | 2019-09-29 | 2020-01-07 | 哈尔滨工业大学 | 一种基于近红外光成像的图像处理与字符识别算法 |
| CN111274961A (zh) * | 2020-01-20 | 2020-06-12 | 华南理工大学 | 一种柔性ic基板字符识别和信息解析方法 |
| CN111274961B (zh) * | 2020-01-20 | 2021-12-07 | 华南理工大学 | 一种柔性ic基板字符识别和信息解析方法 |
| CN111429376A (zh) * | 2020-03-30 | 2020-07-17 | 北京芯龙德大数据科技有限公司 | 高低精度融合的高效数字图像处理方法 |
| CN111539436A (zh) * | 2020-04-20 | 2020-08-14 | 上海工程技术大学 | 一种基于一字模板匹配的轨道扣件定位方法 |
| CN111639640A (zh) * | 2020-04-24 | 2020-09-08 | 深圳市金溢科技股份有限公司 | 基于人工智能的车牌识别方法、装置及设备 |
| CN111639640B (zh) * | 2020-04-24 | 2023-11-14 | 深圳市金溢科技股份有限公司 | 基于人工智能的车牌识别方法、装置及设备 |
| CN111695576A (zh) * | 2020-06-09 | 2020-09-22 | 国网河北省电力有限公司营销服务中心 | 一种基于神经网络的电能表外观快速识别方法 |
| CN112070081B (zh) * | 2020-08-20 | 2024-01-09 | 广州杰赛科技股份有限公司 | 一种基于高清视频的智能化车牌识别方法 |
| CN112070081A (zh) * | 2020-08-20 | 2020-12-11 | 广州杰赛科技股份有限公司 | 一种基于高清视频的智能化车牌识别方法 |
| CN112163581A (zh) * | 2020-09-09 | 2021-01-01 | 华南理工大学 | 一种车牌字母识别方法、系统、装置及存储介质 |
| CN112163581B (zh) * | 2020-09-09 | 2023-08-22 | 华南理工大学 | 一种车牌字母识别方法、系统、装置及存储介质 |
| CN112215842A (zh) * | 2020-11-04 | 2021-01-12 | 上海市瑞金康复医院 | 基于良性甲状腺模板的恶性结节边缘检测图像处理方法 |
| CN112215842B (zh) * | 2020-11-04 | 2022-12-09 | 上海市瑞金康复医院 | 基于良性甲状腺模板的恶性结节边缘检测图像处理方法 |
| CN112712707A (zh) * | 2020-12-26 | 2021-04-27 | 清华四川能源互联网研究院 | 车辆碳排放监测系统及方法 |
| CN112949381A (zh) * | 2021-01-20 | 2021-06-11 | 涂益浪 | 一种图像内容识别方法及系统 |
| CN112926591A (zh) * | 2021-03-24 | 2021-06-08 | 安徽超视野智能科技有限公司 | 一种用于公路治超的违法汽车特征识别方法 |
| CN113792616A (zh) * | 2021-08-26 | 2021-12-14 | 南方电网深圳数字电网研究院有限公司 | 一种基于边缘计算的远程读表系统及其工作方法 |
| CN114004797A (zh) * | 2021-10-27 | 2022-02-01 | 上海电机学院 | 一种基于多特征图共享的风机叶片表面缺陷检测方法 |
| CN114998922A (zh) * | 2022-07-29 | 2022-09-02 | 成都薯片科技有限公司 | 一种基于格式模板的电子合同生成方法 |
| CN117710985A (zh) * | 2023-12-18 | 2024-03-15 | 珠海凌烟阁芯片科技有限公司 | 光学字符识别方法、装置及智能终端 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108615034A (zh) | 一种模板匹配与神经网络算法结合的车牌识别方法 | |
| CN109657632B (zh) | 一种车道线检测识别方法 | |
| Yousif et al. | Toward an optimized neutrosophic K-means with genetic algorithm for automatic vehicle license plate recognition (ONKM-AVLPR) | |
| Wang et al. | Detection and recognition of license plate characters with different appearances | |
| Yu et al. | An approach to Korean license plate recognition based on vertical edge matching | |
| CN103065138B (zh) | 一种机动车牌号的识别方法 | |
| CN106156768B (zh) | 基于视觉的机动车行驶证检测方法 | |
| CN103034848B (zh) | 一种表单类型的识别方法 | |
| CN107103317A (zh) | 基于图像融合和盲反卷积的模糊车牌图像识别算法 | |
| CN107273896A (zh) | 一种基于图像识别的车牌检测识别方法 | |
| CN102629322B (zh) | 一种基于边界点笔画形状的字符特征提取方法及应用 | |
| Paunwala et al. | A novel multiple license plate extraction technique for complex background in Indian traffic conditions | |
| CN105825212A (zh) | 一种基于Hadoop的分布式车牌识别方法 | |
| CN107194393B (zh) | 一种检测临时车牌的方法及装置 | |
| Tahseen et al. | Binarization Methods in Multimedia Systems when Recognizing License Plates of Cars | |
| CN106203237A (zh) | 集装箱拖车编号的识别方法和装置 | |
| CN104680130A (zh) | 一种身份证汉字识别方法 | |
| CN107832762A (zh) | 一种基于多特征融合的车牌定位与识别方法 | |
| Kilic et al. | Turkish vehicle license plate recognition using deep learning | |
| Raus et al. | Reading car license plates by the use of artificial neural networks | |
| CN111339932B (zh) | 一种掌纹图像预处理方法和系统 | |
| CN113673384A (zh) | Lm滤波器组引导纹理特征自主学习的甲骨文字检测方法 | |
| CN106780390A (zh) | 基于边缘分类加权融合的单幅图像去雾方法 | |
| Chen et al. | License plate recognition for moving vehicles using a moving camera | |
| CN115147823A (zh) | 一种高效准确的车牌识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181002 |
|
| WD01 | Invention patent application deemed withdrawn after publication |